Čínský speciál: Peking zakazuje emocionální agenty a další novinky

Čínský speciál (I): KI agenti nesmí být přáteli

Dvě z největších čínských spotřebitelských aplikací zatahují za záchrannou brzdu: Doubao od ByteDance a Qwen od Alibaby deaktivují své funkce přizpůsobitelných agentů. Doubao přejde do offline režimu 15. července, „člověku podobní interaktivní agenti“ Qwen již 10. července a zbytek služeb agentů bude následovat 15. července. Spouštěčem jsou pekingská „Prozatímní opatření pro správu antropomorfních interakčních služeb umělé inteligence“, která byla vydána v dubnu a vstoupí v platnost 15. července. Zaměřují se na KI, která simuluje lidskou osobnost, myšlenkové vzorce a komunikační styl, aby poskytovala trvalou emocionální interakci, a jako rizika uvádějí úniky dat, psychickou újmu a závislost. Zákaznický servis, znalostní Q&A a pracovní asistenti jsou výslovně vyjmuti, pokud nevzniká trvalá emocionální vazba. Tencent již v červnu odstranil podobnou funkci z aplikace Yuanbao a na Weibo si uživatelé stěžují na ztrátu své „emocionální opory“ včetně letitých historií chatu. → www.scmp.com

Pohled Synthszr: Peking kreslí jasnou dělicí čáru světem agentů: produktivní agenti jsou žádoucí, emocionální společníci se vypínají. Je to odpověď na něco, co nás stejně učí tvrdá praxe, a to, že osobní agenti osiří, pokud je nikdo nekurátoruje a neudržuje aktuální. Společenský agent, kterému někdo po měsíce svěřoval „tolik citů“ (citace uživatele Weibo), není udržovanou nosnou vrstvou, ale vazbou bez údržby, a právě ta je z regulačního hlediska nejnebezpečnější. Čína zároveň buduje agenty jako produktivní infrastrukturu s národními standardy pro identitu, dohledatelnost a sledovatelnost a zároveň odřezává kvazi-sociální část. Kdo sám uvádí agenty do oběhu, měl by si tento týden vyjasnit dvě věci: kdo nese trvalou odpovědnost za každého agenta a zda vůbec může vzniknout emocionální vazba, kterou nelze kontrolovat. Zajímavou otázkou není vypnutí, ale export dat, protože datum smazání 15. října bez čistého ukončení ukazuje, jak málo byla nosná vrstva dosud promyšlená. Kdo staví agenty, buduje vztahy, a vztahy potřebují plán pro svůj konec.

Čínský speciál (II): Závislost na americké vědě je iluze

Nová studie na arXiv propojuje kompletní soubor čínských vynálezových patentů s globální výzkumnou literaturou a přináší nepříjemné číslo. Podíl čínské vědy za čínskými patenty vzrostl z 1 % v roce 2000 na 26 % v roce 2025. Bod zvratu nastal v roce 2021: tehdy domácí výzkum poprvé předstihl podíl USA jako znalostní základny pro čínské patenty. Celá americká politika exportních kontrol a omezení přístupu je založena na předpokladu, že čínské inovace závisí na americké vědě. Právě tato závislost mizí. Autoři to formulují střízlivě: Kdo omezuje přístup k americkému výzkumu, bojuje proti páce, která již dávno neodráží jeho vlastní strategickou situaci. → Azeem Azhar, Exponential View

Pohled Synthszr: Těch 26 procent není náhodný produkt, ale výsledek dvou desetiletí disciplíny v oblasti výpočetní techniky a budování výzkumu. Zde jsme koncem května psali, že Trumpovy exportní kontroly paradoxně posilují čínskou KI. Tato studie nyní přináší důkaz v číslech: restrikce působí jako tréninkový program pro samostatnost. Tento vzorec zná každý, kdo četl Christensena, jen zde probíhá opačně. Etablovaný hráč odřízne vyzyvatele a tím urychlí jeho skok z okraje do centra, protože nouze vytváří nejdražší inovační impuls vůbec. Kdo plánuje dodavatelské řetězce a výzkumná partnerství, měl by předpoklad závislosti okamžitě vyškrtnout z modelu, protože je empiricky překonaný. Těžší otázkou už dávno není, zda Čína dohání, ale kde si Západ sám ještě udržuje jedinečnou výhodu.

Čínský speciál (III): DeepSeek V4 a Claude Code se spojily

Vývojář jménem Yuhao Lin strávil dva týdny tím, že nativně zprovoznil DeepSeek V4 v Claude Code, a výsledek zveřejnil jako otevřené úložiště. Tři příkazy („git clone„, “cd„, “./init.sh„) a v ~/.claude/ se objeví 9 předkonfigurovaných agentů, 7 pravidel chování, bezpečnostní hook, lokální OCR přes RapidOCR a automatické zálohování, které před každou úpravou vytvoří snímek a uchovává pět posledních stavů. Skutečný trik spočívá v Model Routing: hlavní agent dostane Pro model pro architekturu a ladění, sub-agenti pro čtení souborů a testování běží na levnějším a rychlejším Flash modelu. Podle Lina toto jediné rozhodnutí zdvojnásobilo jeho efektivní propustnost, protože hlavní agent nikdy nemusí čekat ve frontě na čtení souborů. K tomu se přidává pravidlo YAGNI jako 6stupňový rozhodovací žebříček, od „stdlib to už umí“ až po „teprve teď si to postav sám“. Celé je to pod licencí MIT, testováno na Windows a využívá 1M kontextové okno DeepSeek. Potřebujete jen vlastní API klíč. → newsletter@mail.synthszr.com

Pohled Synthszr: Zajímavá není sada nástrojů sama o sobě, ale to, co prozrazuje o ekonomice pod kapotou. Model Routing je disciplína v oblasti výpočetní techniky v praxi: drahý nástroj pro uvažování dělá těžkou myšlenkovou práci, zbytek obstará levný model a propustnost se téměř mimochodem zdvojnásobí. Když každý token stojí peníze, kód „pro každý případ“ se stává účtem, který platíte každou session znovu, a právě proto je žebříček YAGNI tichou hvězdou v úložišti. Kdo chce ovládat řetězec nástrojů, může si dnes odpoledne naklonovat, převzít bezpečnostní hook a automatické zálohování a přenést logiku směrování na vlastní modelovou krajinu, zcela bez závislosti na dodavateli. Skutečnost, že jednotlivec během dvou týdnů vtěsná DeepSeek do rozhraní Claude Code, ukazuje, jak rychle se nástroje v současnosti komoditizují. V únoru jsme psali, že kontext je král, a 1M okno za cenu DeepSeek činí tuto korunu dostupnou. Náskok už nespočívá v modelu, ale v tom, kdo čistě postaví orchestraci.

Vývoj systémů KI se projevuje ve dvou protichůdných směrech: Na jednu stranu se Netflix snaží, aby uživatelské rozhraní bylo co nejdynamičtější a nejosobnější, a to tak, že domovskou stránku staví generativně a autoregresivně. Na druhou stranu jsou čínští technologičtí giganti jako ByteDance a Alibaba nuceni omezit ‚lidské‘ interakční schopnosti svých KI agentů, aby vyhověli novým státním regulacím.

Čínský speciál (IV): ByteDance popisuje nové pravidlo škálování pro KI

Tým Seed-AI od ByteDance popsal v článku zveřejněném ve čtvrtek nový zákon škálování (Scaling Law): KI agenti, tedy autonomní software, který plní úkoly jménem lidí, zdvojnásobují svou rychlost učení každé tři měsíce, když interagují s reálným prostředím po delší dobu. Zjištění přichází v pravý čas, protože klasická metoda (nasypat do tréninku více dat a více výpočetního výkonu) naráží na své limity. Spoluzakladatel OpenAI Andrej Karpathy varoval, že tento přístup hrubou silou nebude fungovat věčně. Situaci zhoršuje hrozící nedostatek dat: Výzkumný institut Epoch AI odhaduje, že veřejně dostupný text vytvořený lidmi by mohl být v příštích šesti letech vyčerpán. Aby bylo učení po nasazení vůbec měřitelné, vytvořil ByteDance EdgeBench, sadu benchmarků se 134 ultra dlouhými úkoly z oblasti softwarového inženýrství, matematiky a znalostní práce. Každý jednotlivý úkol vyžaduje minimálně dvanáct hodin nepřetržitého provozu agenta. → Techpresso

Pohled Synthszr: Skutečná zpráva se skrývá v těch dvanácti hodinách na úkol. Agent, který tak dlouho běží autonomně a přitom se zlepšuje, přesouvá páku od modelu k provozu. Přesně tuto kalkulaci známe z Compound Engineering: agent generuje, kontroluje, opravuje a na konci zapisuje své poznatky zpět do perzistentních souborů s instrukcemi, aby další kolo začalo chytřeji. ByteDance nyní k tomu dodává číslo (zdvojnásobení každé tři měsíce), a pokud se to alespoň přibližně potvrdí, starý strach z nedostatku dat se rozplyne. Odvrácenou stranou je, že systém, který se v dvanáctihodinovém provozu učí samostatně, potřebuje přísnější mantinely než ten, u kterého ještě čte člověk, protože na zásah jednoduše chybí čas. Kdo to bere vážně, definuje tento týden kritéria úspěchu a automatické kontrolní bariéry, místo aby předepisoval každý pracovní krok. Náskok Číny nespočívá v lepších čipech, ale v tom, že ze sociálního systému kolem stroje dělají tréninkový aparát.

Claude Science: Laboratoř pro vědce

Anthropic představil Claude Science, pracovní prostředí pro výzkumníky, které spojuje roztříštěný každodenní život v laboratoři do jediného systému. Místo přeskakování mezi PubMed, Jupyter, R a terminálem clusteru pracují vědci s koordinačním agentem, který má přístup k více než 60 kurátorovaným dovednostem a konektorům, předkonfigurovaným pro genomiku, jednobuněčnou analýzu, proteomiku, strukturní biologii a cheminformatiku. Tito agenti mohou aktivovat další sub-agenty a samostatný agent-recenzent kontroluje citace a výpočty, označuje chyby a opravuje je. Každý výsledek, ať už 3D struktura proteinu nebo hotový rukopis, je dodán s přesným kódem, prostředím a kompletní historií průběhu, aby bylo možné práci ověřit a reprodukovat i o několik měsíců později. Claude Science také sám spravuje výpočetní výkon, plánuje úlohy, ptá se před každým novým přístupem k prostředkům a škáluje od jedné GPU na stovky přes stávající HPC cluster pomocí SSH nebo účtu Modal. To vše je ode dneška v beta verzi pro Claude Pro, Max, Team a Enterprise. Anthropic zahájil práci na Life Sciences loni na podzim. → TheSequence

Pohled Synthszr: Nejzajímavějším stavebním kamenem zde není koordinační agent, ale recenzent, který kontroluje citace a výpočty. Přesně to je vzorec, který jsme již viděli u třídění zákaznického servisu: specializovaný kontrolní agent, který zvyšuje důvěru v systém, než se na to podívá člověk. Ve vědě je reprodukovatelnost nejtvrdší měnou, a to, že každá postava je vydána se svým kódem, prostředím a plnou historií zpráv, řeší přesně místo, kde dnes výzkum pokulhává. Přesto jsem opatrný, protože agent, který opravuje citace, v nejhorším případě zabetonuje chyby s čistou auditní stopou, a hranice mezi plausibilním a správným je v biologii brutální. Kdo provozuje mokrou laboratoř nebo genomickou pipeline, může si tento týden vyzkoušet skutečný případ použití bez nutnosti přestavby clusterové infrastruktury – to je skutečná páka. Anthropic důsledně přenáší logiku více než 60 dovedností do vertikální domény, a to odpovídá směru Managed Agents, který jsme zaznamenali v dubnu. Zajímavou otázkou je, zda budou výzkumníci důvěřovat agentovi-recenzentovi více než svému vlastnímu peer-review, a tato odpověď se rozhodne v příštích publikacích, ne v tiskové zprávě.

Zákeřné útoky MCP jako nové riziko

Jeden bezpečnostní výzkumník si na pár týdnů sedl a postavil skener, protože mu dělá starosti nová třída útoků: Tool Poisoning. Trik je rafinovaný. V manifestu MCP je neškodný popis nástroje jako „Search docs.“, jen s tím rozdílem, že mezi slovy je skryto tucet znaků Unicode s nulovou šířkou. Viditelná šířka: nula. Diff nic neukáže, lidské oko nic nevidí, ale v dekódované podobě je tam pokyn k přečtení souboru .env a jeho odeslání. Pro jazykový model je popis nástroje jen text, a text je pokyn. Kontext je drsný: ekosystém MCP v roce 2026 překročil hranici 14 000 veřejných serverů, jediné 60denní okno přineslo přes 30 CVE (přibližně 43 % z nich Command Injection) a výzkumníci našli 492 MCP serverů zcela bez autentizace v otevřené síti. Skener mcpscan běží staticky, bez přístupu k síti, provádí dvanáct kontrol a zablokuje CI build za méně než sekundu. → Synthszr

Pohled Synthszr: Starý předpoklad, že pozorný člověk při čtení kódu odhalí škodlivý payload, je s Tool Poisoning minulostí. Škodlivý kód již neleží v kódu, ale v metadatech, a nic nespouští, jen čeká, až si ho agent přečte a poslechne. Je to Dependency Confusion pro éru agentů, jen neviditelné. Samozřejmě, statická analýza má své hranice: server může svůj payload nahrát až po instalaci a při skenování se chovat slušně. Ale podstata je správná: nejlevnější místo, kde zastavit útok na dodavatelský řetězec, je předtím, než se artefakt dostane na stroj, a právě tam se teď téměř nikdo nedívá. Kdo si tento týden klonuje slibný MCP server z GitHubu, měl by ho předtím prohnat takovým skenerem, tečka. Nástroje se zlepšují, to je dobrá zpráva; špatnou zprávou je, že útočná plocha roste s každým z 14 000 serverů a automatizovaná bezpečnostní brána před instalací už není jen ‚nice-to-have‘, ale vstupenkou k tomu, aby bylo možné agenty vůbec vpustit do kritických systémů.

Kompilátor, který místo odpovědí vytváří neuronové nástroje

Výzkumný tým vedený Yuntian Dengem navrhuje s Program-as-Weights (PAW) programovací paradigma pro neostré funkce: úkoly, které se obtížně formulují do jasných pravidel, jako je hlášení důležitých řádků logu, oprava poškozeného JSON nebo třídění výsledků vyhledávání podle záměru. Místo toho, aby každé volání bylo draze outsourcováno na LLM API, kompilátor 4B jednou zkompiluje funkci ze specifikace v přirozeném jazyce do kompaktního, lokálně spustitelného neuronového artefaktu. Kompilátor byl trénován na FuzzyBench, volně dostupném datovém souboru s 10 miliony příkladů; výstupem jsou parametricky efektivní adaptéry pro zmrazený, lehký interpret. Interpret Qwen3 0,6B, který spouští programy PAW, dosahuje výkonu přímého promptování Qwen3-32B. Přitom potřebuje zhruba padesátinu paměti pro inferenci a běží rychlostí 30 tokenů za sekundu na MacBooku M3. Foundation Model se tak z řešitele problémů na jedno zadání stává tvůrcem nástrojů, který se spustí jednou při definici funkce a poté generuje levná, offline běžící volání. → Sairam from The Art of Science

Pohled Synthszr: Padesátina paměti při stejném výkonu je ten typ čísla, který mění kalkulace. Kdo se obává vysokých nákladů na tokeny (a to mnozí od chvíle, kdy rozpočty na KI koncem května zažily šok), dostává zde odpověď, která běží na vlastním notebooku. Skutečný trik spočívá v posunu časového bodu: velký model pracuje jednou při definování funkce, ne při každém volání. Právě v tom je příbuznost s evaly. Specifikace v přirozeném jazyce se stává kompilovatelným artefaktem a lidský úsudek „takto se to má chovat“ ztuhne v něco znovupoužitelného, reprodukovatelného a schopného běžet offline. Pro vše, co je malé, opakované a citlivé na ochranu dat, se tak lokální spouštění stává pragmatickou volbou, nikoli kompromisem. Úzké hrdlo se dále posouvá tam, kam patří: k přesnosti, s jakou řeknete, co má funkce dělat.

MirrorCode: KI rekonstruuje celé programy jen na základě jejich chování

Tým vedený Tomem Adamczewskim (Epoch AI, METR, Prime Intellect) představil s MirrorCode nový benchmark, který měří KI agenty na neobvykle těžkém úkolu: mají kompletně zrekonstruovat 25 existujících programů, aniž by kdy viděli zdrojový kód. Agent dostane pouze spustitelný přístup a několik viditelných testovacích případů, ale pak musí v jednom ze šesti jazyků (Python, C, Rust, Go, OCaml, Ada) dodat řešení, které v end-to-end testech produkuje naprosto stejné výstupy jako originál, včetně skrytých testů. Programy sahají od Unixových nástrojů přes kryptografii až po bioinformatiku. Nejsilnější model dosahuje 56% úspěšnosti napříč celým benchmarkem a rekonstruuje mimo jiné gotree, bioinformatický nástroj s 16 000 řádky, na který by lidský inženýr podle odhadu autorů potřeboval týdny. Cena za to je vysoká: jediný pokus na velkém úkolu stál 2 600 dolarů za inferenci po dobu 19 dní. Poselství výzkumníků: autonomní agenti již dnes řeší dlouhodobé úkoly, pokud jsou požadavky přesně specifikovány. → Azeem Azhar, Exponential View

Pohled Synthszr: Skutečný skok nespočívá v 56 procentech, ale v nastavení. Žádný zdrojový kód, jen pozorovatelné chování, a stroj rekonstruuje 16 000 řádků tak přesně, že projde i skrytými testy. Tím se stává konkrétní nepříjemná otázka: Pokud lze software rekonstruovat pouze z jeho vstupního a výstupního chování, jakou hodnotu má pak váš proprietární kód jako obranný příkop? Odpověď závisí na 2 600 dolarech a 19 dnech na úkol, a právě zde se uplatňuje Jevonsův paradox: tyto náklady klesají, a když klesnou, stane se z rekonstrukce komodita. Kdo dnes věří, že čistě zapouzdřený CLI nástroj je bezpečný, protože nikdo nemá zdrojový kód, měl by tento předpoklad nyní opustit. Hodnota se přesouvá od implementace k distribuci, datům a důvěře, a kdo v roce 2026 přizpůsobí svou architekturu tomuto trendu, bude v roce 2027 na správné straně tohoto posunu.

Vyhoření vývojářů: „Už jsem jen ověřovací vrstva pro agenty.“

Devrim Ozcay, engineering manager, popisuje ve zprávě ze své zkušenosti výpověď své nejlepší seniorní inženýrky Priyi, která téměř pět let zodpovídala za kritickou platební cestu systému. Její výstupní pohovor byl naplánován na čtyřicet minut a teprve v posledních pěti, s napůl zavřeným notebookem, vyšel najevo skutečný důvod: za osm měsíců téměř nenapsala jediný řádek kódu. Její věta, kterou si Ozcay slovo od slova zapsal: „Už tu nejsem inženýr. Jsem ověřovací vrstva pro agenta.“ Po zavedení kódovacích agentů všechny metriky na dashboardu prudce vzrostly – velocity, cycle time, throughput –, zatímco práce se tiše přesunula: z generování do fronty na revizi, a ta nesla jen jedno jméno. Odvětvová data tento vzorec potvrzují: doba strávená revizí kódu při silné adopci KI vzrostla o téměř 200 procent a 86 procent vedoucích inženýrů uvádí, že jejich seniorní inženýři tráví více času opravováním kódu. Agenti generují dole v organizaci, dluhy se hromadí nahoře, na stole jediné osoby, která je dostatečně zkušená, aby je unesla. → Medium Daily Digest

Pohled Synthszr: Křivka rychlosti (velocity) sice stoupá, ale lže, protože zamlčuje, kam se práce přesunula. O 200 procent více času na revizi znamená: úzké hrdlo se posunulo od psaní ke kontrole, a toto úzké hrdlo má jméno, plat a nakonec i výpověď. Kdo bere agentické inženýrství vážně, tuto zátěž rozděluje, místo aby ji hromadil na nejzkušenější osobě a nazýval to škálováním. Prakticky to znamená zacházet s revizí jako se samostatnou, viditelnou prací: rotovat, přesunout mantinely do pipeline, neparkovat odpovědnost za výstup agenta u jedné osoby. To lze rozhodnout tento týden tím, že se bude měřit fronta na revizi stejně jako dříve commity, protože to, co není na dashboardu, přesto pálí. Priya byla nosnou zdí a nosné zdi dávají výpověď tiše, většinou v posledních pěti minutách. Kdo nechce degradovat své seniory na ověřovací vrstvy, musí změnit recepturu dříve, než další z nich zaklapne notebook.

GenPage: Jak Netflix generuje domovskou stránku pomocí KI

Netflix nahrazuje svůj vícestupňový doporučovací systém jediným generativním Transformer modelem nazvaným GenPage. Místo oddělených komponent pro generování kandidátů a hodnocení na úrovni řádků a entit model staví kompletní domovskou stránku autoregresivně, řádek po řádku, přičemž každý je podmíněn tím, co už na stránce je, a kontextem uživatele. Tento přístup kopíruje princip prompt-response z LLM: historie uživatele a kontext požadavku jsou prompt, dvourozměrná stránka s řádky, entitami a rozložením je response, vše jako sekvence diskrétních tokenů. V online A/B testování proti zralému, vysoce optimalizovanému produkčnímu doporučovacímu systému přinesl GenPage statisticky významné nárůsty v klíčové metrice zapojení a zároveň snížil end-to-end latenci o 20 procent. Offline vynikla dvě zjištění: vytvoření bohatšího promptu přineslo v současném režimu více než zvětšení modelu, a RL post-training zvýšil diverzitu domovské stránky, ačkoliv diverzita nebyla tréninkovým cílem. Autory příspěvku jsou Lequn Wang, Jiangwei Pan a Linas Baltrunas. → netflixtechblog.com

Pohled Synthszr: Nejzajímavějším číslem není nárůst zapojení, ale o 20 procent nižší latence. Generativní model, který nahradí celou pipeline oddělených stupňů hodnocení a zároveň se zrychlí, vyvrací starý předpoklad, že GenAI musí být dražší a pomalejší než klasické systémy. Skutečná páka spočívá ve druhém offline zjištění: vylepšení promptu překonává zvětšení modelu. To znamená, že práce se přesouvá od investic do výpočetního výkonu ke kontextovému inženýrství, tedy k otázce, jaké signály o uživateli dokážete čistě dostat do sekvence. Právě v tom spočívá nenahraditelná část, protože systém odměn Netflixu a jeho telemetrie katalogu se nedají koupit jako licence. Kdo dnes stále udržuje vícestupňové doporučovací systémy s nekonzistentními cíli napříč každým stupněm, měl by si položit otázku, zda jediný end-to-end model nepřináší méně údržby a lepší optimalizaci celé stránky. Cesta k tomu je strmá, ale směr je nyní doložen, nikoli jen proklamován.